Z.aiがGLM-5.3-Flashを正式公開：10万枚の国産チップクラスターで3倍のパフォーマンス向上を実現

2026年9月17日、Z.aiは詳細な技術ブログを公開し、これまで匿名でテストされていた「牛Alpha」がGLM-5.3-Flashモデルであることを明らかにした。同モデルは現在10万枚超の国産AIアクセラレーター上でフル稼働しており、初期ベースラインと比べてパフォーマンスが3倍向上し、トークン単価は主流ソリューションと同等の水準に達している。

事実の整理

GLM-5.3-Flashは2026年8月26日にリリースされたGLM-5シリーズ初のネイティブマルチモーダルモデルで、総パラメーター数320B、アクティベーションパラメーター数18BのハイブリッドスパースおよびLinear Attentionアーキテクチャを採用している。リリース前は「ox-alpha」という名称でOpenCodeおよびOpenRouterプラットフォームで匿名テストが行われ、1週間以内に両プラットフォームで最も利用されるモデルとなり、6日間で62兆トークンを超える処理を達成した。

ブログによると、これほどの規模の国産アクセラレータークラスターを運用した前例はなかった。チップのVRAM容量と帯域幅の制約、エコシステムの未成熟さ、カーネルサポートの不完全さなどの課題があり、エンジニアはドキュメント化されていないドライバーの挙動を推測しながら対応する必要があった。チームはSGLangをベースに独自の推論エンジンを開発し、GLM-5.3を活用したInfra Agentが大量のインフラ最適化を担った。

メカニズムの解説

Z.aiは「密なフィードバック手法」を提案し、正確性テスト、実行ログ、実行トレース、マイクロベンチマーク、エンドツーエンド指標を再現可能なワークフローとして統合することで、Agentがローカルで仮説を検証できるようにした。フィードバックには、ローカル性・低コストでの即時取得・客観的な検証のサポートという3つの要件を満たすことが求められる。

具体的な事例として、パーティション分割あり・なしのカーネルパスを比較することでKDAカーネルのContext Parallelismパス内でtl.dotがデフォルトでTF32を使用することによる精度問題を発見し、修正後にFlash Linear Attentionの上流にマージしたこと；DeepEP v1.2.1のintranode dispatchとintranode combineがPython GILを解放していなかった問題を修正し、KV Transfer性能差を20%超から1%以内に縮小したこと；AgentがSGLangなどのプロジェクトから最適化のひな型を抽出し、KDA Decodeカーネルに除算最適化とV次元タイルマージを適用して1.71倍の高速化を実現したことなどが挙げられる。

産業への影響

この取り組みは、VRAMとエコシステムの制約がある国産アクセラレーターであっても、独自開発エンジンとAI支援最適化によって2週間以内に本番稼働可能な水準に到達できることを示している。モデルの初期適応から本番デプロイまでの迅速なイテレーションは、Encode-Prefill-Decode分離アーキテクチャ、W8A8量子化、混合精度キャッシュなどの技術の組み合わせに依存している。

戦略的考察

【分析】上記の事例は、AI支援によるインフラ構築が成熟したエコシステムへの依存を低減する可能性を示しているが、より大規模かつ複雑な負荷における長期的な安定性については引き続き検証が必要である。同様の手法が他の国産クラスターにも適用された場合、推論コスト構造とサプライチェーンの構図が変わる可能性がある。